掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
量子人工智能 版權信息
- ISBN：9787302619192
- 條形碼：9787302619192 ; 978-7-302-61919-2
- 裝幀：精裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
量子人工智能 本書特色
本書中不僅是在討論量子人工智能這一前沿科技話題，編者們在實現應用案例的探索中也盡力選擇了對開發者*友好開發方式，幫助興趣愛好者了解量子人工智能算法設計和應用的*便捷的路徑，啟發更多想法和方案的誕生。
量子人工智能 內容簡介
量子計算與人工智能的交叉融合，促使量子人工智能的不斷發展。本書旨在采用對深度學習愛好者友好的方式，構建量子人工智能應用。 全書共13章，第1章和第2章系統介紹量子計算機發展脈絡和量子計算編程的基礎知識。第3~7章分別介紹不同的深度學習方法和在這些算法邏輯上構建量子啟發算法的方式，用量子線路中的相位作為神經網絡的可學習參數，重構為量子神經網絡算子。這些算子可以在PyTorch環境中直接調用。第8章和第9章是量子人工智能的進階知識，講解不同量子算法的可行的評估方式和量子神經網絡基于Torch.Script技術進行算子化的內容。第10~13章通過在原生的深度學習PyTorch環境中引入量子算法，帶來可能的量子增強，并分別實現了對材料晶體結構相變過程搜索，冠狀病毒RNA序列變異預測、藥物虛擬篩選中親和能的預測及基因表達藥物設計等案例。 本書可作為量子人工智能初學者的入門書籍，PyTorch深度學習愛好者的參考書籍，也可作為從事量子人工智能相關工作技術人員的應用指南。
量子人工智能 目錄
第1章量子計算和人工智能00
1.1量子計算機體系各個物理進展00 1.2量子線路介紹00 1.3量子神經網絡及其應用00 參考文獻00 第2章量子計算基礎框架00 2.1量子計算基本概念00 2.1.1復內積空間00 2.1.2狄拉克符號00 2.1.3量子比特00 2.2矩陣的張量積0 2.3封閉量子系統中量子態的演化(酉算子)0 2.4量子門0 2.5量子電路0 2.6量子測量0 2.7密度算子0 2.8含參數的量子門表示0 2.9約化密度算子0 2.10量子信息的距離度量0 2.11經典的量子算法和工具0 第3章量子自編碼網絡0 3.1經典自編碼網絡0 3.2變分自編碼網絡0 3.3量子自編碼網絡的量子信息學基礎0 3.3.1量子信息學中的偏跡運算0 3.3.2保真度與量子自編碼網絡的損失函數0 3.4量子自編碼網絡0 3.5案例0 參考文獻0
第4章卷積、圖、圖神經網絡相關算法0 4.1卷積神經網絡0 4.1.1經典卷積神經網絡0 4.1.2AlexNet0 4.2量子卷積神經網絡0 4.2.1回顧經典卷積0 4.2.2量子卷積0 4.2.3代碼實現0 4.3量子圖循環神經網絡0 4.3.1背景介紹0 4.3.2經典GGRU0 4.3.3基于QuGRU實現的QuGGRU0 4.3.4循環圖神經網絡補充介紹0 參考文獻0 第5章注意力機制0 5.1注意力機制背景0 5.1.1SelfAttention0 5.1.2MultiHead Attention0 5.1.3量子注意力機制0 5.1.4量子注意力機制的代碼實現0 5.2圖注意力機制0 5.2.1圖注意力網絡0 5.2.2經典算法的代碼實現0 5.2.3量子圖注意力網絡0 第6章量子對抗自編碼網絡0 6.1經典生成對抗網絡0 6.1.1生成對抗網絡介紹
6.1.2GAN的訓練過程及代碼 6.1.3GAN的損失函數 6.2量子判別器 6.3對抗自編碼網絡 6.3.1對抗自編碼網絡架構 6.3.2對抗自編碼網絡的代碼實現 6.3.3完全監督的對抗自編碼網絡架構 6.3.4完全監督的對抗自編碼網絡的代碼實現 6.3.5量子有監督對抗自編碼網絡 第7章強化學習的概念與理論 7.1強化學習的概念 7.1.1什么是強化學習 7.1.2馬爾可夫決策過程 7.2基于值函數的強化學習方法 7.2.1基于蒙特卡洛的強化學習方法 7.2.2基于時間差分的強化學習方法 7.2.3基于值函數逼近的強化學習方法 7.3基于策略的強化學習方法 7.4基于參數化量子邏輯門的強化學習方法 7.4.1量子態編碼方法 7.4.2QPolicy Gradient方法 第8章量子機器學習模型評估 第9章基于TorchScript量子算子編譯 9.1TorchScript語義和語法 9.1.1術語及類型 9.1.2類型注釋 9.2PyTorch模塊轉換為TorchScript 9.2.1跟蹤量子及經典神經網絡 9.2.2script（）方法編譯量子模型及其函數 9.2.3混合編譯、跟蹤及保存加載模型 9.3Torch自動求導機制 9.3.1自動求導機制的使用方法 9.3.2自動求導的微分及有向無環圖 9.3.3量子算子及編譯原理 9.3.4量子求導及編譯 第10章量子StyleGAN預測新冠毒株Delta的變異結構 10.1經典StyleGAN模型 10.1.1移除傳統輸入 10.1.2添加映射網絡 10.1.3生成網絡與特征控制 10.2StyleGAN部分代碼 10.3量子QuStyleGAN模型 10.3.1QuStyleGAN模型構建 10.3.2量子啟發模糊卷積 10.3.3量子漸進式訓練 10.4QuStyleGAN部分代碼 10.5QuStyleGAN生成表現 第11章模擬材料相變過程路徑搜索 11.1建模方法 11.2實現方案 第12章蛋白質生物分子親和能力預測 第13章基因表達 附錄A神經網絡基礎簡介 A.1感知機 A.2多層感知機 A.3神經網絡 A.4激活函數 A.5損失函數 A.6誤差反向傳播 A.7參數更新 A.8模型優化
1.1量子計算機體系各個物理進展00 1.2量子線路介紹00 1.3量子神經網絡及其應用00 參考文獻00 第2章量子計算基礎框架00 2.1量子計算基本概念00 2.1.1復內積空間00 2.1.2狄拉克符號00 2.1.3量子比特00 2.2矩陣的張量積0 2.3封閉量子系統中量子態的演化(酉算子)0 2.4量子門0 2.5量子電路0 2.6量子測量0 2.7密度算子0 2.8含參數的量子門表示0 2.9約化密度算子0 2.10量子信息的距離度量0 2.11經典的量子算法和工具0 第3章量子自編碼網絡0 3.1經典自編碼網絡0 3.2變分自編碼網絡0 3.3量子自編碼網絡的量子信息學基礎0 3.3.1量子信息學中的偏跡運算0 3.3.2保真度與量子自編碼網絡的損失函數0 3.4量子自編碼網絡0 3.5案例0 參考文獻0
第4章卷積、圖、圖神經網絡相關算法0 4.1卷積神經網絡0 4.1.1經典卷積神經網絡0 4.1.2AlexNet0 4.2量子卷積神經網絡0 4.2.1回顧經典卷積0 4.2.2量子卷積0 4.2.3代碼實現0 4.3量子圖循環神經網絡0 4.3.1背景介紹0 4.3.2經典GGRU0 4.3.3基于QuGRU實現的QuGGRU0 4.3.4循環圖神經網絡補充介紹0 參考文獻0 第5章注意力機制0 5.1注意力機制背景0 5.1.1SelfAttention0 5.1.2MultiHead Attention0 5.1.3量子注意力機制0 5.1.4量子注意力機制的代碼實現0 5.2圖注意力機制0 5.2.1圖注意力網絡0 5.2.2經典算法的代碼實現0 5.2.3量子圖注意力網絡0 第6章量子對抗自編碼網絡0 6.1經典生成對抗網絡0 6.1.1生成對抗網絡介紹
6.1.2GAN的訓練過程及代碼 6.1.3GAN的損失函數 6.2量子判別器 6.3對抗自編碼網絡 6.3.1對抗自編碼網絡架構 6.3.2對抗自編碼網絡的代碼實現 6.3.3完全監督的對抗自編碼網絡架構 6.3.4完全監督的對抗自編碼網絡的代碼實現 6.3.5量子有監督對抗自編碼網絡 第7章強化學習的概念與理論 7.1強化學習的概念 7.1.1什么是強化學習 7.1.2馬爾可夫決策過程 7.2基于值函數的強化學習方法 7.2.1基于蒙特卡洛的強化學習方法 7.2.2基于時間差分的強化學習方法 7.2.3基于值函數逼近的強化學習方法 7.3基于策略的強化學習方法 7.4基于參數化量子邏輯門的強化學習方法 7.4.1量子態編碼方法 7.4.2QPolicy Gradient方法 第8章量子機器學習模型評估 第9章基于TorchScript量子算子編譯 9.1TorchScript語義和語法 9.1.1術語及類型 9.1.2類型注釋 9.2PyTorch模塊轉換為TorchScript 9.2.1跟蹤量子及經典神經網絡 9.2.2script（）方法編譯量子模型及其函數 9.2.3混合編譯、跟蹤及保存加載模型 9.3Torch自動求導機制 9.3.1自動求導機制的使用方法 9.3.2自動求導的微分及有向無環圖 9.3.3量子算子及編譯原理 9.3.4量子求導及編譯 第10章量子StyleGAN預測新冠毒株Delta的變異結構 10.1經典StyleGAN模型 10.1.1移除傳統輸入 10.1.2添加映射網絡 10.1.3生成網絡與特征控制 10.2StyleGAN部分代碼 10.3量子QuStyleGAN模型 10.3.1QuStyleGAN模型構建 10.3.2量子啟發模糊卷積 10.3.3量子漸進式訓練 10.4QuStyleGAN部分代碼 10.5QuStyleGAN生成表現 第11章模擬材料相變過程路徑搜索 11.1建模方法 11.2實現方案 第12章蛋白質生物分子親和能力預測 第13章基因表達 附錄A神經網絡基礎簡介 A.1感知機 A.2多層感知機 A.3神經網絡 A.4激活函數 A.5損失函數 A.6誤差反向傳播 A.7參數更新 A.8模型優化
展開全部
量子人工智能 作者簡介
金賢敏,上海交通大學長聘教授，博士生導師，集成量子信息技術研究中心主任，獲上海市青年科技英才獎、全國百篇優秀博士論文獎、中國科學院百篇優秀博士論文獎，區域光纖通信網與新型光通信系統國家重點實驗室學術帶頭人。
胡俊杰，現就職于上海交通大學集成量子信息技術研究中心，主要研究方向為在實驗室光子芯片平臺上進行量子模擬與量子機器學習。畢業于中國科學院大學并獲得博士學位，研究方向為機器學習與材料模擬的交叉方向。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
巴金－再思錄
- >
羅曼·羅蘭讀書隨筆-精裝
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
回憶愛瑪儂
- >
煙與鏡
- >
唐代進士錄
- >
山海經
本類暢銷
